Link to this section提升 YOLO26 训练体验：使用 Comet 简化你的日志记录流程#

记录关键训练细节（如参数、指标、图像预测和模型检查点）在 机器学习 中至关重要——它能确保你的项目透明、进度可衡量、结果可复现。

Ultralytics YOLO26 与 Comet (原 Comet ML) 无缝集成，能够高效捕捉并优化你 YOLO26 目标检测 模型训练过程的每一个环节。本指南将涵盖安装流程、Comet 设置、实时洞察、自定义日志记录以及离线使用，确保你的 YOLO26 训练得到全面记录，并为获得卓越结果进行精细调整。

Link to this sectionComet#

Comet 是一个用于跟踪、比较、解释和优化机器学习模型及实验的平台。它允许你在模型训练过程中记录指标、参数、媒体等信息，并通过美观的网页界面监控你的实验。Comet 能够帮助数据科学家更快速地进行迭代，提高透明度和可复现性，并助力生产级模型的开发。

Link to this section发挥 YOLO26 与 Comet 的强大效能#

通过将 Ultralytics YOLO26 与 Comet 相结合，你可以解锁一系列优势。这些优势包括：简化的实验管理、用于快速调整的实时洞察、灵活且定制化的日志记录选项，以及在网络受限时离线记录实验的能力。此集成使你能够做出数据驱动的决策、分析性能指标并获得出色的成果。

Link to this section安装#

若要安装所需的软件包，请运行：

# Install the required packages for YOLO26 and Comet
pip install ultralytics comet_ml torch torchvision

Link to this section配置 Comet#

安装所需软件包后，你需要注册账号、获取 Comet API Key 并对其进行配置。

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

接着，你可以初始化你的 Comet 项目。Comet 将自动检测 API key 并继续进行设置。

import comet_ml

comet_ml.login(project_name="comet-example-yolo26-coco128")

如果你使用的是 Google Colab 笔记本，上述代码将提示你输入 API key 以完成初始化。

Link to this section用法#

在深入了解用法说明之前，请务必查看 Ultralytics 提供的各类 YOLO26 模型。这将帮助你选择最适合项目需求的一款模型。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo26-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

运行训练代码后，Comet 会在你的 Comet 工作区中自动创建一个实验来跟踪此次运行。随后你将获得一个链接，用于查看 YOLO26 模型训练 过程的详细日志。

Comet 无需额外配置即可自动记录以下数据：诸如 mAP 和损失之类的指标、超参数、模型检查点、交互式混淆矩阵以及图像 边界框 预测。

Link to this section通过 Comet 可视化了解模型性能#

让我们深入了解一旦你的 YOLO26 模型开始训练，你在 Comet 仪表板上会看到什么。仪表板是所有操作发生的地方，通过图表和统计数据呈现一系列自动记录的信息。以下是快速导览：

实验面板

Comet 仪表板的实验面板部分组织并呈现了不同的运行及其指标，例如分割掩码损失、类别损失、精度以及 平均精度均值。

指标

在指标部分，你还可以选择以表格格式查看指标，这正如这里所示，显示在专用的窗格中。

交互式 混淆矩阵

可以在“混淆矩阵”选项卡中找到的混淆矩阵，提供了一种评估模型分类 准确度 的交互式方法。它详细列出了正确和错误的预测，让你了解模型的优势和不足。

系统指标

Comet 会记录系统指标，以帮助识别训练过程中的任何瓶颈。它包括 GPU 利用率、GPU 内存使用率、CPU 利用率和 RAM 使用率等指标。这些对于监控模型训练期间的资源使用效率至关重要。

Link to this section自定义 Comet 日志记录#

Comet 提供了通过设置环境变量来定制其日志记录行为的灵活性。这些配置使你能够根据具体需求和偏好调整 Comet。Ultralytics 回调函数会读取以下环境变量（请在训练开始前设置它们）：

Link to this section记录图像预测#

你可以控制 Comet 在实验过程中记录的图像预测数量。默认情况下，Comet 会从验证集中记录 100 张图像预测。不过，你可以更改此数字以更好地满足你的需求。例如，若要记录 200 张图像预测，请使用以下代码：

import os

os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

若要完全禁用图像预测记录（例如，为了减少在慢速连接上的上传流量），请将 COMET_EVAL_LOG_IMAGE_PREDICTIONS 设置为 "false"：

import os

os.environ["COMET_EVAL_LOG_IMAGE_PREDICTIONS"] = "false"

Link to this section批次记录间隔#

Comet 允许你指定记录图像预测批次的频率。COMET_EVAL_BATCH_LOGGING_INTERVAL 环境变量控制此频率。默认设置为 1，即记录每个验证批次的预测。你可以调整此值以在不同的间隔记录预测。例如，设置为 4 将记录每第四个批次的预测。

import os

os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

Link to this section禁用混淆矩阵记录#

在某些情况下，你可能不想在每个 epoch 后记录验证集的混淆矩阵。你可以通过将 COMET_EVAL_LOG_CONFUSION_MATRIX 环境变量设置为 "false" 来禁用此功能。混淆矩阵将仅在训练完成后记录一次。

import os

os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

Link to this section在线和离线模式#

默认情况下，Comet 在线运行并将实验数据流式传输到 Comet 服务器。如果你需要在没有网络访问的情况下进行训练，请在训练开始前设置 COMET_START_ONLINE=0。实验数据将保存在本地，稍后可以使用 comet upload CLI 进行上传。

import os

os.environ["COMET_START_ONLINE"] = "0"  # 1 (default) = online, 0 = offline

Link to this section项目名称#

默认情况下，Comet 回调函数会将 YOLO project 训练参数传递给 Comet（参数未设置时为 None，此时 Comet 使用你的工作区默认值）。若要覆盖此项，请使用 COMET_PROJECT_NAME，以便将所有实验发送到特定的 Comet 工作区项目，而无需考虑 YOLO 训练参数：

import os

os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments"

Link to this section模型产物名称#

COMET_MODEL_NAME 设置了 Comet 为记录的模型产物注册的名称（默认为 Ultralytics）。使用它可以在共享工作区中区分模型变体：

import os

os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"

Link to this section置信度分数缩放#

检测置信度分数以 [0, 1] 范围输出，但 Comet UI 默认以百分比刻度显示。回调函数会在记录前将每个分数乘以 COMET_MAX_CONFIDENCE_SCORE（默认 100.0）。如果你更喜欢原始概率或不同的刻度，请调整此项：

import os

os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0"  # log raw [0, 1] scores

Link to this section总结#

本指南带你了解了如何将 Comet 与 Ultralytics 的 YOLO26 集成。从安装到自定义，你已经学会了如何简化实验管理、获取实时洞察并根据你的项目需求调整日志记录。

探索 Comet 官方的 YOLOv8 集成文档，该文档同样适用于 YOLO26 项目。

此外，如果你想深入探讨 YOLO26 的实际应用，特别是针对 图像分割 任务，这份关于 使用 Comet 微调 YOLO26 的详细指南提供了宝贵的见解和分步说明，以提升你的模型性能。

另外，若要探索更多与 Ultralytics 的激动人心的集成，请查看 集成指南页面，那里提供了丰富的资源和信息。

Link to this section常见问题解答#

Link to this section如何将 Comet 与 Ultralytics YOLO26 集成以进行训练？#

若要将 Comet 与 Ultralytics YOLO26 集成，请遵循以下步骤：

1. 安装所需的软件包：

   pip install ultralytics comet_ml torch torchvision

2. 设置你的 Comet API Key：

   export COMET_API_KEY=YOUR_API_KEY

3. 在你的 Python 代码中初始化 Comet 项目：

   import comet_ml
   
   comet_ml.login(project_name="comet-example-yolo26-coco128")

4. 训练你的 YOLO26 模型并记录指标：

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.pt")
   results = model.train(
       data="coco8.yaml",
       project="comet-example-yolo26-coco128",
       batch=32,
       save_period=1,
       save_json=True,
       epochs=3,
   )

有关更详细的说明，请参考 Comet 配置部分。

Link to this section将 Comet 与 YOLO26 结合使用有什么好处？#

通过将 Ultralytics YOLO26 与 Comet 集成，你可以：

• 监控实时洞察：即时获取训练结果反馈，从而进行快速调整。
• 记录详尽指标：自动捕获基本指标，如 mAP、损失、超参数和模型检查点。
• 离线跟踪实验：在无法访问互联网时，在本地记录你的训练运行。
• 比较不同的训练运行：使用交互式 Comet 仪表板分析和比较多个实验。

通过利用这些功能，你可以优化你的机器学习工作流以实现更好的性能和可复现性。如需更多信息，请访问 Comet 集成指南。

Link to this section如何在 YOLO26 训练期间自定义 Comet 的日志记录行为？#

Comet 允许使用环境变量对其日志记录行为进行广泛的自定义：

• 更改记录的图像预测数量：

  import os
  
  os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

• 调整批次记录间隔：

  import os
  
  os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

• 禁用混淆矩阵记录：

  import os
  
  os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

• 设置 Comet 项目名称：

  import os
  
  os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments"

• 设置已记录的模型产物名称：

  import os
  
  os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"

请参阅 Customizing Comet Logging 部分以获取完整列表，包括图像预测切换、置信度分数缩放以及在线/离线模式。

Link to this section如何在 Comet 上查看 YOLO26 训练的详细指标和可视化效果？#

一旦你的 YOLO26 模型开始训练，你就可以在 Comet 仪表板上访问各种指标和可视化信息。主要功能包括：

• 实验面板：查看不同的运行及其指标，包括分割掩码损失、分类损失和平均 precision。
• 指标：以表格格式检查指标以进行详细分析。
• 交互式混淆矩阵：使用交互式混淆矩阵评估分类准确性。
• 系统指标：监控 GPU 和 CPU 利用率、内存使用情况以及其他系统指标。

有关这些功能的详细概述，请访问 Understanding Your Model's Performance with Comet Visualizations 部分。

Link to this section我可以在训练 YOLO26 模型时使用 Comet 进行离线记录吗？#

可以。在开始训练前设置 COMET_START_ONLINE=0 以进行本地记录：

import os

os.environ["COMET_START_ONLINE"] = "0"

实验数据会保存在磁盘上，并可在网络连接可用时使用 comet upload CLI 上传到 Comet。早期的 COMET_MODE="offline" 变量仍然有效，但会发出弃用警告。有关更多详细信息，请参阅 Online and Offline Mode 部分。